第14章节 创意应用实战（图片、视频、音乐、TTS、ComfyUI）

本章目标：把旧教程里零散的“画图 / 视频 / 语音 / 第三方 Skill”写法，收束成 OpenClaw 当前官方支持的媒体工作流。

---

版本基线

• 当前稳定版：v2026.9.3（2026-09-08 发布）
• 本章默认按 v2026.9.3 稳定版写；所有创意能力优先参考官方媒体能力矩阵

---

先给小白的阅读说明

如果你只是想先做出一个结果，别整章都看

• 想先出一张图：直接看 14.2
• 想先生成语音：直接看 14.4.2
• 想先试视频：直接看 14.3，但要知道视频是异步任务
• 想做本地可控工作流：最后再看 14.5 的 ComfyUI

开始前要先知道的 2 件事

1. 图片和 TTS 通常是同步返回，比较适合新手先试
2. 视频和音乐通常是后台异步任务，所以不要以为“命令没立刻吐文件就是失败”

小白最容易误会的地方

• 把“图片理解模型”当成“图片生成模型”
• 不知道视频生成要去 tasks 里看状态
• 看见 provider 很多，就误以为每个都必须配置

---

14.1 先记住这张官方媒体能力图谱

OpenClaw 当前的媒体能力不是零散插件，而是一套共享能力层：

能力	工具 / 命令	常见 provider	说明
图片生成	image_generate / openclaw infer image generate	ComfyUI、fal、Google、MiniMax、OpenAI、Vydra	文生图、参考图编辑
视频生成	video_generate / openclaw infer video generate	Alibaba、BytePlus、ComfyUI、fal、Google、MiniMax、OpenAI、Qwen、Runway、Together、Vydra、xAI	文生视频、图生视频、视频转视频
音乐生成	music_generate	ComfyUI、Google、MiniMax	生成音乐 / 音轨
TTS	tts / openclaw infer tts convert	ElevenLabs、Microsoft、MiniMax、OpenAI	把文本转成语音
媒体理解	image describe / audio transcribe / video describe	各类多模态 provider	读图、读音频、读视频

最重要的两点：

1. 图片和 TTS 更偏同步
2. 视频和音乐是异步后台任务，会进入 task ledger，完成后再唤醒 agent 把结果发回原会话

---

14.2 图片工作流：现在应该怎么做

14.2.1 命令行直出图

如果你是第一次试媒体能力，强烈建议从这里开始，因为它反馈最快，也最容易判断到底是提示词问题，还是 provider 没配好。

openclaw infer image generate   --prompt "一张手写白板风格的 OpenClaw 自动化架构图"   --json

适合：

• 教程配图
• 封面图
• 白板图
• 社交媒体海报
• 结构示意图

看到什么算图片能力已经跑通

• 命令能返回 JSON 结果或文件输出信息
• 生成效果不满意时，你知道先改提示词，而不是先怀疑整套系统坏了
• 你已经能分清“命令行直出图”和“会话里让 agent 自动调工具”这两种方式

14.2.2 对话里直接让 agent 生成

帮我生成一张白板手写风格的配图，主题是“从 cron 到 Task Flow 的自动化升级路径”。

如果 image_generate 已可用，agent 会自动调用对应工具。相比旧教程里的历史 Skill 名称，这才是当前默认主线。

14.2.3 什么时候要单独配 imageGenerationModel

当你满足下面任一情况时，建议手动指定：

• 团队里统一使用某个 provider
• 你想严格控制成本
• 你不希望 OpenClaw 自动推断 provider

{
  "agents": {
    "defaults": {
      "imageGenerationModel": {
        "primary": "openai/gpt-image-1"
      }
    }
  }
}

---

14.3 视频工作流：理解“异步返回”很关键

14.3.1 最短可用示例

视频生成比图片慢很多，所以你第一次测视频时，目标不是“直接出大片”，而是先确认任务能成功入账并最终完成。

openclaw infer video generate   --prompt "一段 5 秒的电影感镜头：桌面上的 OpenClaw 仪表盘正在更新任务状态"   --json

14.3.2 当前视频工作流的正确心智模型

视频生成不是“一条命令马上拿到 mp4”。更准确的过程是：

1. OpenClaw 把请求发给 provider
2. provider 返回任务 id
3. 任务进入 background task ledger
4. 完成后 OpenClaw 唤醒原会话，把视频回贴回来

所以你需要学会看：

openclaw tasks list